يمكن أن ينقذ الكشف المبكر والعلاج الفوري عن سرطان الثدي الأرواح. تُعدّ التصوير الشعاعي للثدي (الماموغرافيا) إحدى أكثر الطرق فعالية لفحص سرطان الثدي في مراحله المبكرة. ويمكن أن يُحسّن أسلوب تصنيف صور الماموغرافيا التلقائي من كفاءة عمل الأطباء المتخصصين في التصوير الإشعاعي. تستخدم الطرق القائمة على التعلم العميق حاليًا خسارة الـ softmax التقليدية لتحسين جزء استخراج الميزات، والذي يهدف إلى تعلّم الميزات الخاصة بصور الماموغرافيا. ومع ذلك، أظهرت دراسات سابقة أن جزء استخراج الميزات لا يمكنه تعلّم ميزات تمييزية من البيانات المعقدة باستخدام خسارة الـ softmax القياسية. في هذه الورقة، نصمم معمارية جديدة ونقترح دوال خسارة مناسبة. بشكل خاص، نطور معمارية شبكة مكونة من مصنّفين مزدوجين، حيث نُقيّد توزيع الميزات المستخرجة من خلال تعديل حدود القرار الخاصة بالمصنّفين. ثم نقترح دالة خسارة مُحددة بالشبكة المزدوجة لتحديد حدود القرار، بحيث يتمكن جزء استخراج الميزات من تعلّم ميزات تمييزية. علاوةً على ذلك، وباستغلال البنية المزدوجة للمصنّفين، يمكن للشبكة العصبية الكشف عن العينات التي يصعب تصنيفها. ونُقدّم طريقة مُوزّنة للخسارة المحددة بالشبكة المزدوجة لجعل جزء استخراج الميزات يُركّز أكثر على تعلّم ميزات العينات الصعبة التصنيف. يمكن تطبيق الطريقة المقترحة بسهولة على شبكة عصبية تلافيفية موجودة مسبقًا لتحسين أداء تصنيف صور الماموغرافيا. أجرينا تجارب واسعة لتقييم أداء طريقة العمل على ثلاث مجموعات بيانات معيارية عامة لصور الماموغرافيا. وأظهرت النتائج أن طريقة العمل المقترحة تفوق العديد من الطرق المشابهة والطرق المتطورة في المجال على ثلاث مجموعات بيانات طبية عامة. يمكن العثور على الكود والوزن الخاص بنا على منصة GitHub.